Машинное обучение - это часть информатики, которая помогает находить будущие результаты, их можно предсказать, а также дает некоторые идеи на основе предыдущей статистики.
В этом блоге я покажу вам практическую демонстрацию развертывания модели машинного обучения с использованием фляги на платформе Heroku.
Для этой практической реализации я использую модель ML для прогнозирования цен на автомобили, в которой применяются методы проектирования и выбора функций.
Примените модель ExtraTreeRegressor. Дополнительные деревья - это ансамблевый алгоритм машинного обучения, который объединяет прогнозы из множества деревьев решений. E каждое дерево снабжено случайной выборкой k характеристик из набора функций, из которых каждое дерево решений должно выбрать лучший признак для разделения данных на основе некоторых математических критериев. Эта случайная выборка функций приводит к созданию нескольких декоррелированных деревьев решений. Дополнительные функции подготовки дерева: год, объем, пробег, тип топлива и трансмиссия.
▶ Приступим к развертыванию модели машинного обучения:
⪢Сначала выгрузите свою модель машинного обучения в файл pickle. Для этого вам необходимо импортировать библиотеку pickle в записную книжку Python. Библиотека Pickle используется для дампа модели ml, Pickling - это способ преобразовать объект Python в поток символов, который содержит вся информация, необходимая для восстановления объекта в другом скрипте Python.
импортный рассол
Здесь я выгружаю свою модель в файл «model1.pkl». Этот файл pickle содержит всю информацию о модели ml, которая использовалась в прогнозе.
⪢После этого создайте папку на вашем локальном компьютере, содержащую ваш файл, файл csv и файл рассола.
⪢Создайте папку шаблона, содержащую все файлы HTML.
⪢ Добавьте файл app.py, который используется для получения данных от пользователя, этот ввод помогает прогнозировать стоимость автомобиля.
Теперь добавьте этот код в свой файл «app.py». В этом я импортирую различные библиотеки, эти библиотеки создают окончательный документ, который отображается в браузере пользователя.
Здесь render_template - ›шаблон отображается с конкретными данными для создания окончательного документа. Flask использует библиотеку template Jinja для визуализации шаблонов. запрос - ›Модуль запросов в Python позволяет обмениваться запросами в Интернете. Это означает, что вы можете вводить и получать выходные данные на веб-сервере. используя методы GET и POST. url_for- ›используйте для создания URL-адреса конечной точки.
Примените условия и преобразуйте категориальные данные в числовую форму, предоставьте маршрут сети на локальном хосте.
⪢Перед этим вставьте все файлы html в папку шаблона и укажите заполнитель для связывания. Например, создайте страницу index.html и поместите в папку шаблона.
В этом html-файле есть два заполнителя, первый для прогнозирования, а второй - для панели инструментов, которая находится на таблице.
Запустите приложение в Visual Studio, и результат будет выглядеть так: в нем мы можем предсказать цену автомобиля.
Результат будет перенаправлен на следующую страницу с использованием шаблона рендеринга, для доступа к файлу result.html вы можете перейти в мой репозиторий git.
Свяжем все шаги:
1. Выгрузите модель ml в файл рассола.
2️⃣ Сохраните все файлы в папке. Выберите файл рассола, файл фляги, файл Python, данные csv и добавьте еще одну папку с шаблоном; в нем содержатся все файлы HTML.
3️⃣ После добавления кода в файл Python.
4️⃣ запустите этот файл python на свой локальный сервер и проверьте, работает он правильно или нет.
После этого добавьте необходимый файл, который поможет развернуть сеть на платформе, здесь мы развертываем сеть на сервере Heroku, который является платформой как услугой.
5️⃣ Добавьте файл procfile и файл require.txt в корневой каталог вашей папки.
🔰 Файл Proc - это текстовый файл, в котором явно указывается, какая команда должна быть выполнена для запуска вашего приложения.
🔰В файле требования. txt вместе перечислены зависимости приложения. При развертывании приложения Heroku считывает этот файл и устанавливает зависимости Python с помощью команды pip install -r.
Прежде чем перейти к последнему шагу, мы создаем информационную панель в виде таблицы, приборная панель - это инструмент визуализации, который дает нам лучшее понимание данных и помогает их анализировать.
Для этого у вас должна быть учетная запись на tableau, tableau предоставляется 14-дневная бесплатная пробная версия, вы можете ее использовать. Загрузите свои данные в таблицу и создайте таблицы, после чего добавьте свои таблицы на панель управления. Вы также можете добавить много функций.
После закончите работу с приборной панелью.
6️⃣ Скопируйте этот встроенный код. И вставьте на свою html-страницу. Поделитесь панелью управления в Интернете.
Вы можете изменить настройки, чтобы сделать его более видимым для других.
7️⃣ После встраивания кода в html-страницу создайте репозиторий github и клонируйте его в локальный. Добавьте все файлы и нажмите.
8️⃣ Откройте страницу входа в Heroku и выполните несколько шагов, чтобы развернуть окончательное веб-приложение.
Перейдите к созданию приложения ▶ дайте уникальное имя своему приложению ▶ подключитесь к github ▶ найдите созданный репозиторий ▶ включите автоматическое развертывание (если вы внесете какие-либо изменения в свой github, он внесет автоматические изменения) ▶ ветку развертывания.
Подождите некоторое время, это займет время, через некоторое время вы увидите, что развертывание завершено, и вы можете получить доступ к своему веб-приложению Heroku.
💥💥💥Теперь у вас есть ссылка для доступа к вашему первому базовому веб-приложению ml.
И готово, в этом веб-приложении вы можете предсказать стоимость автомобиля, а также, если у вас есть доступ, вы можете увидеть панель управления.
Итак, что мы сделали, всего за 8 шагов мы используем модель ml, развертываем ее, создаем html файлы для шаблона и делаем веб интерактивным. Используйте фрейм фрейма для создания сети на локальном сервере. Используйте tableau, чтобы добавить дополнительную функцию, обеспечивающую визуализацию данных🤩 авторизованным пользователям, поместите все эти файлы на github, подключите репозиторий github к Heroku и разверните модель.
Следуйте за мной на моем гитхабе.
Следуйте за мной на linkdin. # подключить сеть # поделиться знаниями # расти.
# машинное обучение # развертывание # веб-технологии #flask #html # программирование на Python # наука о данных
